近几年来“大数据”一词的热度有目为睹，各行各业也都在根据自身特点和需求不断探索符合不同行业特性的大数据分析应用。呼叫中心作为连接企业和企业客户的沟通枢纽，其在日常运营中也会获取、使用、或者是产生大量的数据，虽然从数据的“量级”来看呼叫中心的运营数据规模有限，然而对于呼叫中心自身的运营管理乃至于企业来讲这部分数据的价值却是“无可限量”的。
呼叫中心的运营数据按照数据格式划分，包括：
结构化数据
是指可以使用关系型数据库表示和存储，表现为二维形式的数据。比如：用于体现呼叫中心日常运营情况的运营类数据；用于记录和呈现呼叫中心整体及个体（班组和个人）日常运营结果的考核类数据（KPI数据）；以及，基于客服人员日常受理记录（工单）所形成的业务受理统计数据（二维形式）等。
非结构化数据
是指数据结构不规则或不完整，没有预定义的数据模型，不方便使用数据库二维逻辑表来表现的数据，各种文档、图片、视频/音频等都属于非结构化数据。
对于呼叫中心来讲，特指客服人员与客户的通话录音数据，以及受理工单中的文本数据。以往采用传统的人工质检、报表统计等手段，对于这些数据价值的分析利用仅是“冰山一角”，大量的价值信息有待挖掘。
以下，将对呼叫中心结构化数据和非结构化数据的挖掘分析及结果应用进行详细说明。
【呼叫中心结构化数据分析应用攻略】
一、 概述
对于结构化数据的分析应用攻略，其核心点在于构建呼叫中心的“数字化管理机制”，也即：
- 依托系统支撑和规范建立，扩大数据采集范围，构建“数据立方体”。
- 通过对数据的深加工和关联性分析，以及内部流程和管理体制的优化，不断提升呼叫中心运营效率和运营品质。
具体可拆解为以下三个动作：
- 数据分类
明确需要采集的数据体系，包括：运营类数据、考核类数据、业务类数据，并明确每一类数据所要采集的数据种类、数据名称、数据来源、计算方法、呈现模式等。
- 数据提取
根据数据指标体系明细分类，及每一个指标的数据规则，完成数据的自动提取、加工计算和结果呈现。包括：
① 数据采集平台-须建设统一的数据采集管理平台。
② 数据采集规范-须建立数据采集规范，分别从技术侧和管理侧来确保采集数据的准确性、及时性和完整性。
- 数据分析及应用
根据完整版数据指标体系，将数据挖掘分析结果应用于以下几个方面：
① 目标管理
② 结果管理
③ 预测管理
④ 策略管理
⑤ 内部相关部门/合作伙伴管理
二、 详述
以下将对“数据分析应用”的五个方面详细打开说明。
(一) 目标管理
1. 目标设定
明确每一个结果KPI指标的定义、计算方法、数据来源等，统一认知和理解。以“人工语音服务”结果KPI指标分解为例：
根据分解结果、完成数据采集，对呼叫中心的整体运营工作进行目标设定，并对目标完成情况进行统一监控。以使用“可视化平台工具”为例：
A. 根据上述分解结果，在可视化平台工具后台完成“数据逻辑”的规则设定，由工具自动完成基础数据的采集和加工计算环节。
B.将上述分解结果中的考核标准设为不同结果KPI指标的目标值，日常运营结果数据则为实际值。
C.将实际值与目标值进行比对，最终通过可视化平台工具进行“形象化”呈现（比如：以地图“晴雨表”形式展现不同指标的达标情况）。
2. 目标调整
根据阶段性运营数据完成情况，及时调整并下发下阶段目标值（即动态目标值），须在数据采集分析平台增加目标调整功能模块，用于对呼叫中心运营目标的调整管理。
(二) 结果管理
1. 结果告警
对日常运营数据及结果进行分析监控，并设定相应告警机制，以及结果的传达机制，督促呼叫中心管理人员及时采取措施。以使用“传统方式（EXCEL表格）”为例：
- 将上述分解结果中的考核标准设为不同结果KPI指标的目标值，日常运营结果数据则为实际值。
- 将实际值与目标值进行比对，根据比对结果发出不同颜色的“告警”。
2. 结果分析
根据所采集的数据，建立起对日常运营结果的分析机制，对运营结果实施精细化管理，确保呼叫中心持续提升运营品质和服务水平。
以“人工语音服务-接通率”指标分析为例：
- 明确影响“接通率”指标完成的具体因素点，即明确结果KPI指标对应的过程因素指标。
- 通过建立起结果KPI指标（接通率）与过程指标的关联性分析，对这些过程因素点实施有效管控，从而确保结果KPI指标的有效达成。以下为部分分析示例：
① 排班遵循度与接通率指标的关联性分析
A.已知条件
--CPH、时段进量
为验证有效排班对接通率的影响，CPH及时段进量均为定值，比如：CPH9个，时段进量50个。
--出勤率
为验证有效排班对于接通率的影响，出勤率设为定值100%。
--排班遵循度
科学规范的排班其根本目的在于确保排班遵循度，即实际排班人数与应排班人数的比例，假设其从90%提升为95%。
B.计算原理
--通过排班遵循度计算实际排班人数
排班遵循度=实际排班人数/应排班人数X100%
实际排班人数=应排班人数X排班遵循度
当排班遵循度为90%时，实际排班人数=（50/9）X90%=5人
当排班遵循度为95%时，实际排班人数=（50/9）X95%=5.3人
--通过实际排班人员数量计算接通率
接通率=人工接起电话数量/呼入人工电话数量X100%
当人员数量为5人时，接通率=（9X5）/50X100%=90%
当人员数量为5.3人时，接通率=（9X5.3）/50X100%=95.4%
C. 推导结果
--当排班遵循度呈提升趋势时，接通率呈提高态势，为正比关系。
--有效排班可确保排班遵循度，从而最终可以直接保证接通率指标。
② AHT、CPH与接通率指标的关联性分析
A.已知条件
--个体平均AHT数据
假设通过产能管理制度的制定和实施，个体平均AHT从400S降低至360S。
--个体平均工作饱和度数据
为验证AHT变化对于接通率的影响，个体平均工作饱和度数据为定值，不发生变化，比如:90%。
--时段进量数据
为验证AHT变化对于接通率的影响，特取一个时段的平均进量，且此进量设置为定值，不发生变化，比如:10个。
--时段排班人数
为更加简单直观的体现推导结果，假设时段排班人数为定值1人，且出勤率为100%。
B. 计算原理
--通过AHT计算CPH
CPH=3600/AHTX平均工作饱和度
当AHT为400S时，CPH=3600/400X90%=8.1个
当AHT为360S时，CPH=3600/360X90%=9个
--通过CPH计算接通率
接通率=人工接起电话数量/呼入人工电话数量X100%
当CPH为8.1个时，接通率=8.1/10X100%=81%
当CPH为9个时，接通率=9/10X100%=90%
C. 推导结果
--当AHT呈缩短趋势时，CPH呈提升态势，最终导致接通率提高。
--AHT与CPH为反比关系，CPH与接通率为正比关系。
③ 工作饱和度与接通率指标的关联性分析
A. 已知条件
--个体平均AHT数据
为验证工作饱和度变化对于接通率的影响，个体平均AHT数据为定值，不发生变化，比如:360S。
--个体平均工作饱和度数据
通过受话管理制度的制定和实施，个体平均工作饱和度从90%提升至95%。
--时段进量数据
为验证工作饱和度变化对于接通率的影响，特取一个时段的平均进量，且此进量设置为定值，不发生变化，比如:10个。
--时段排班人数
为更加简单直观的体现推导结果，假设时段排班人数为定值1人，且出勤率为100%。
B. 计算原理
--通过工作饱和度计算CPH
CPH=3600/AHTX平均工作饱和度
当工作饱和度为90%时，CPH=3600/360X90%=9个
当工作饱和度为95%时，CPH=3600/360X95%=9.5个
--通过CPH计算接通率
接通率=人工接起电话数量/呼入人工电话数量X100%
当CPH为9个时，接通率=9/10X100%=90%
当CPH为9.5个时，接通率=9.5/10X100%=95%
C. 推导结果
--当平均工作饱和度为提升趋势时，CPH呈提升态势，最终导致接通率提高。
--工作饱和度与CPH及接通率均为正比关系。
附注：
除上述“接通率”与过程因素指标的关联性分析外，呼叫中心的指标有很多、相应的对于不同指标间的关联性分析也是一个不断探索的过程。在本人的另外一篇文章《如果数据会说话：呼叫中心运营指标关联性分析浅析》中，则着重对“员工效能和人力配比”指标间的关联性进行了分析论证，以客观数据为基础对呼叫中心的人力配置优化及人员效能提升提供了现实依据。
(三) 预测管理
1. 根据所采集的数据，建立起数据分析预测机制，分析预测未来某阶段的趋势数据，从而确保未来的运营轨迹处在可监控、可预知态势中。
2. 根据包括“客户基础属性指标”和“客户投诉根因指标”在内的完整“业务特征指标”，提取历史投诉数据（包括：投诉工单、投诉录音），通过数据分析技术，以时段、地域、品牌、业务为维度预测出投诉群体（数量）。
3. 对于不同类型的潜在投诉，呼叫中心可在投诉发生之前，提前制定统一的服务策略，包括：统一应答口径、统一处理流程、统一服务补救，以及加强品质管理、适当调整绩效策略等措施。
(四) 策略管理
1. 将日常的运营管理经验/方法固化为服务策略集，比如：
2. 在平台上设置异动指标阈值，当实际运营数据达到阈值时自动触发相应服务策略，人工审核后自动加载运行。
3. 对服务策略加载后的运营KPI数据进行追踪，并修订优化原有服务策略集。
(五) 内部相关部门/合作伙伴管理
1. 根据所采集的数据，对除呼叫中心之外的内部相关部门/合作伙伴实施监控管理，以确保对外服务的一致性、及时性和规范性。
2. 设置相关部门/合作伙伴工作流程规范，通过系统对总部派发或者是一线客服提交的流转工单处理情况进行有效监控，对处理不及时、不规范的相关部门/合作伙伴进行及时或者是定期通报，并将工单问题解决率纳入对相关部门/合作伙伴的KPI考核。
3. 对于同一类型的工单，当未处理数量达到一定阈值时，可触发更高层级的“督办单”，并对“督办单”的处理过程进行监控（预警和告警），对处理结果进行综合评估。
【呼叫中心非结构化数据分析应用攻略】
一、 概述
对于非结构化数据的分析应用攻略，其核心点在于“用大数据倾听客户声音”，也即：
应用语音与语言分析核心技术，自动将海量录音转写文本语句，并进行文本分析，如关键词检索、筛选、归类等，挖掘提炼价值信息，并传递至公司相关部门，为产品创新、营销完善、网络优化等提供价值信息。
具体可拆解为以下三个动作：
语音解析
文本分析
结果应用
二、 详述
(一) 语音解析
1. 将客户通话语音转译成可视、可检索、可分析的文字，语音识别原理框架由三个重要部分组成：早期模型训练，前端语音识别，后端识别处理。
2. 在语音识别的处理流程中，由语音检测、语音分类、聚类、识别、自适应、重打分等模块合在一起，最后得到最终结果，构成了完整的识别引擎系统。
3. 语音解析结果示例：
(二) 文本分析
文本分析工具通过文本搜索、文本分词、词性分析、关键词挖掘、语义聚类、文本分类等流程实现对文本的解析，核心功能包括：
1. 热词分析：通过文本分词，过滤一些常用关键词，将分词结果以频率方式呈现出来，了解热点词汇信息。
2. 归类分析：通过人工选定典型场景，根据场景文件筛选场景关键词，通过有序或无序关键词组合规则，实现对大批量文件的识别归类。具体操作步骤包括：
- 由业务专家根据实际业务情况，梳理出合理的分类分词体系，不同的分类层次对应不同的关键词组合。
- 由大数据分析专家结合关键词挖掘技术，有效补充和完善业务人员的关键词知识库。
- 共同对识别归类结果进行检验，对分类词库进行修订优化，形成最终的关键词知识库。
(三) 结果应用
1. 热词分析结果应用
- 热词分析结果示例
- 热词分析结果解读
① 业务分析
A. 一级热词分析结果说明-流量类业务是客户关注的热点。
B. 二级热词分析结果说明：客户关注度比较高的流量产品有:500M、30M、70M、100M等，同时对于赠送类和叠加类流量产品也较为关注。
C. 三级热词分析结果说明：
- 500M流量包：客户比较关注此流量包额外的赠送产品，以及超出后的下一档升级产品。
- 赠送类流量：客户比较关注的是200M、500M、本地流量、夜间流量产品，同时对赠送类产品的有效期（免费期）也较为关注。
- 叠加包产品：客户比较关注的是30M和70M产品，来电意向比较明确，多为咨询办理方法、产品有效期、以及是否可以多次叠加。
② 业务建议
A. 针对于客户重点关注的流量产品，优化营销政策，适当开展精准营销，亦可利用呼入渠道开展营销动作。
B. 针对于咨询且办理了大额流量包，或者多次办理叠加包的客户，进行重点分析（分析其当前资费套餐的匹配度），适时引导客户进行资费套餐升档。
C. 通过各种方法进一步提升客户的流量使用习惯，拉升DOU值。
热词分析结果呈现
使用可视化平台工具，将热词分析结果“形象化”展现，以下为示例：
2. 归类分析结果应用
应用场景一：提供价值分析报告
应用语音与语言核心技术，自动将海量录音转写文本，并对文本进行规则筛选归类分析，最终形成价值分析报告定期传递到相关部门。
以下为示例：
应用场景二：提供来电原因选择页面
① 面临的问题
A.前台客服代表：几分钟内从成千上万条来电原因中识别客户的来电原因很难，只好设定为“其它”。
B. 后台处理人员：类别不准影响效率，导致错单。
C. 后台分析人员：类别不准无法统计，得出的结论可信度不高。
② 解决的方法
根据语音文本分析结果（规则筛选归类分析），提供来电原因选择页面，前台客服代表通过手工输入关键词模糊查询来电原因类型，提高效率和准确率。
本文秉承“实践应用”原则，对呼叫中心结构化数据和非结构化数据的挖掘分析及结果应用进行了分析阐述，亦是作者本人日常工作中的“心得”积累，与行业同仁共勉！
未来，随着技术的发展和行业的变革，呼叫中心所使用或产生的数据内容将愈加丰富，数据价值也必将日益提升。因而，更需要持续不断地进行数据分析、深挖数据背后的价值信息，从而在不断提升自身运营品质的基础上，进一步推动呼叫中心由服务中心向价值传导中心转型，充分体现呼叫中心在企业发展中的核心驱动力。
王丹丹
2018年10月
Dece1118@126.com
13910330350
